Im neu angekündigten ICML 26,Das Forschungsteam der Tsinghua-Universität gewann den Preis für die herausragendste wissenschaftliche Arbeit.

Diese Studie befasst sich mit diffusen Sprachmodellen (dLLM). Obwohl dLLM aufgrund seiner ungeordneten Generierungs- und parallelen Dekodierungseigenschaften große Fortschritte im Bereich der natürlichen Sprachverarbeitung erzielt hat, weist das Team darauf hin, dass der Mechanismus bei allgemeinen Denkaufgaben wie Mathematik und Programmierung eine „Flexibilitätsfalle“ aufweist: Die ungeordnete Generierung führt dazu, dass das Modell logische Wörter mit hoher Unsicherheit überspringt und somit sein Denkpotenzial einschränkt.

Um diesem Problem zu begegnen, schlug das Team das JustGRPO-Modell vor. Dieser Ansatz verzichtet auf komplexe Anpassungen des Reinforcement Learning und führt stattdessen direkt autoregressive (AR) Sequenzierung und den Standard-GRPO-Algorithmus während des Trainings ein, während die Vorteile der parallelen Dekodierung von dLLM bei der Inferenz erhalten bleiben. Dieses minimalistische Design schöpft das Inferenzpotenzial des Modells voll aus und erzielt eine Genauigkeit von 89,11 TP3T im GSM8K-Benchmark.

Auf der HyperAI-Website findet ihr jetzt „JustGRPO: Die Logik von Diffusionssprachmodellen mit Standard GRPO freisetzen“. Schaut doch mal vorbei und probiert es aus!

Titel des Artikels:Die Flexibilitätsfalle: Überdenken des Wertes beliebiger Reihenfolge in Diffusionssprachmodellen

Link zum Artikel:https://go.hyper.ai/hM7mt

Online-Nutzung:https://go.hyper.ai/c1a0C

Besuchen Sie unsere offizielle Website für weitere Informationen:

https://hyper.ai

Ein kurzer Überblick über die Aktualisierungen der offiziellen Website von hyper.ai vom 4. Juli bis zum 10. Juli:

* Hochwertige öffentliche Datensätze: 10

* Eine Auswahl hochwertiger Tutorials: 9

* Analyse von Community-Artikeln: 1 Artikel

* Beliebte Enzyklopädieeinträge: 5

Besuchen Sie die offizielle Website:hyper.ai

Ausgewählte öffentliche Datensätze

1. Agents Last Exam-Datensatz (Langzeitaufgaben-Datensatz für intelligente Agenten)

Agents Last Exam ist ein Aufgabendatensatz zur Bewertung der Leistungsfähigkeit von Computeragenten bei langfristigen beruflichen Aufgaben. Er bietet eine strukturierte Beschreibung für die Agentenbewertung. Der Datensatz enthält Informationen zu 153 Aufgaben aus dem Agents Last Exam (ALE) Benchmark-Test und umfasst Daten wie Aufgabentitel, Zusammenfassungen, Klassifizierungssysteme, vollständige Anweisungen, Listen erforderlicher Aktionen, erwartete Software und Eingabedateibeschreibungen.

Online-Nutzung:https://go.hyper.ai/p8Y8D

2. WGO-Bench Robot Video Benchmark Dataset

WGO-Bench ist ein von Macrodata Labs veröffentlichter Benchmark-Datensatz für Robotervideos. Er dient der Evaluierung der Fähigkeit visueller Sprachmodelle, Roboter- und Ego-Perspektiven-Actionvideos in zeitgestempelte Teilaufgaben-Annotationen umzuwandeln. Der Datensatz konzentriert sich primär auf zwei Aufgaben: die Erkennung von Abgrenzungen und die Annotation von Teilaufgaben. Die Annotationen beschreiben die vollständigen Aktionsereignisse und Zustandsänderungen, die in den Videoclips sichtbar sind.

Online-Nutzung:https://go.hyper.ai/TPr8O

3. RedlineBench Benchmark-Datensatz für die Verhandlung von Rechtsverträgen

RedlineBench, 2026 von Crosby veröffentlicht, ist ein Benchmark-Datensatz zur Bewertung von Vertragsverhandlungen. Er misst die Fähigkeit von KI-Systemen, in realen Geschäftsszenarien Anmerkungen (z. B. mit einem roten Stift) zu machen und Verhandlungsentscheidungen zu treffen. Der Datensatz umfasst 140 ausführbare Harbor-Aufgaben, die drei mehrstufige Verhandlungsszenarien mit jeweils vier abwechselnden Runden abdecken.

Online-Nutzung:https://go.hyper.ai/b2EzE

4. FIFA-Weltmeisterschaft 2026 Spieldatensatz

Der Datensatz zur FIFA Fußball-Weltmeisterschaft 2026 umfasst Spiele der WM 2026 und wurde speziell für die Datenanalyse im Fußball sowie für maschinelles Lernen entwickelt. Er unterstützt detaillierte Fußballanalysen, statistische Modellierungen und Vorhersagen mithilfe von maschinellem Lernen. Der Datensatz besteht aus drei Kernkomponenten: strukturierten Spieldaten, Spielerdaten und Teamdaten. Er enthält multidimensionale statistische Informationen auf Spiel-, Spieler- und Teamebene.

Online-Nutzung:https://go.hyper.ai/idr4l

5. OmniVideo-100K Audio- und Video-Inferenzbefehls-Datensatz

OmniVideo-100K ist ein Datensatz für Audio- und Videoinferenz, der im Juni 2026 von der Universität Nanjing in Zusammenarbeit mit dem Institut für Automatisierung der Chinesischen Akademie der Wissenschaften veröffentlicht wurde. Er dient der Feinabstimmung von Anweisungen in multimodalen, großen Sprachmodellen und zielt darauf ab, die kollaborativen Fähigkeiten des Modells in langfristigen zeitlichen Sequenzen und intermodalen Abhängigkeiten zu verbessern. Der Datensatz enthält 100.000 Frage-Antwort-Paare aus 5.214 YouTube-Videos und deckt zehn Kategorien von Audio- und Video-Frage-Antwort-Aufgaben ab, die in drei kognitive Ebenen unterteilt sind: Ausrichtung, Verständnis und Schlussfolgerung.

Online-Nutzung:https://go.hyper.ai/aJIuZ

6. Nemotron-SFT-SWE-v3 Befehlsfeinabstimmungsdatensatz

Nemotron-SFT-SWE-v3 ist ein von NVIDIA im Jahr 2026 veröffentlichter Datensatz zur Feinabstimmung von Software-Engineering-Anweisungen. Er dient der Verbesserung des Codeverständnisses und der Reparaturfähigkeiten großer Sprachmodelle in Aufgaben im SWE-Bench-Stil. Der Datensatz umfasst 237.970 Beispiele, die mithilfe verschiedener Agenten-Frameworks wie OpenHands, SWE-Agent und Mini-SWE-Agent aus Agententrajektorien gewonnen und mit automatisierten und synthetischen Methoden annotiert wurden.

Online-Nutzung:https://go.hyper.ai/qOzpP

7. Open-SWE-Traces Agent Instruction Fine-tuning Dataset

Open-SWE-Traces, 2026 von NVIDIA veröffentlicht, ist ein Datensatz zur Feinabstimmung von Agentenanweisungen in großen Sprachmodellen. Er zielt darauf ab, die Fähigkeiten des Modells zur Code-Reparatur und zum mehrstufigen Aufruf von Werkzeugen in der Softwareentwicklung zu verbessern. Der Datensatz umfasst 207.489 Agenteninteraktionstrajektorien, die mithilfe der Algorithmen Minimax-M2.5 und Qwen3.5-122B-A10B synthetisiert, mit dem SWE-Agent und dem OpenHands-Framework erfasst und für verschiedene Programmiersprachen bereitgestellt wurden.

Online-Nutzung:https://go.hyper.ai/WckNP

8. RadImageNet-VQA Datensatz für visuelle Frage-Antwort-Systeme für medizinische Bilder

RadImageNet-VQA ist ein umfangreicher medizinischer Datensatz für visuelle Fragebeantwortungsaufgaben (VQA) in der Radiologie. Er dient der Verbesserung des visuellen Verständnisses und der Fähigkeit multimodaler medizinischer Modelle, Fragen in CT- und MRT-Bildern zu beantworten. Er findet breite Anwendung in der visuellen Fragebeantwortung in der Medizin, im Training und der Evaluierung radiologischer Bildanalysemodelle sowie in der Forschung und Anwendungsentwicklung multimodaler medizinischer KI.

Online-Nutzung:https://go.hyper.ai/WzGOV

9. AgentWorldBench Language World Model Benchmark-Datensatz

AgentWorldBench, 2026 von Qwen veröffentlicht, ist ein umfassender Benchmark-Datensatz zur Evaluierung von Sprachweltmodellen. Er dient der Bewertung ihrer Fähigkeiten zur Umgebungsmodellierung und zum logischen Schlussfolgern. Der Datensatz umfasst 2.170 Beispiele mit durchschnittlich 22,8 Interaktionsrunden und basiert auf realen Modellverläufen aus gängigen Benchmarks wie Tool Decathlon, Terminal-Bench 1.0/2.0 und OSWorld-Verified.

Online-Nutzung:https://go.hyper.ai/y1s1b

10. GeneBench-Pro Public Package: Gene Case Benchmark Dataset

GeneBench-Pro Public Package ist ein öffentlich zugänglicher Benchmark-Datensatz für die Genanalyse, der von OpenAI veröffentlicht wurde. Er bietet eine reproduzierbare Umgebung für die Evaluierung von KI-Systemen in den Bereichen Genomik und Biomedizin. Der Datensatz umfasst zehn unabhängige Problemstellungen aus den Bereichen Genomik und Bioinformatik, darunter statistische Genetik, klinische Genomik, Populationsgenetik, Einzelzellanalyse, dreidimensionale Genomik und funktionelle Genomik.

Online-Nutzung:https://go.hyper.ai/qd9PF

Ausgewählte öffentliche Tutorials

1. JustGRPO: Die Leistungsfähigkeit von Diffusionssprachmodellen mit Standard-GRPO erschließen

Das JustGRPO-Modell wurde im Januar 2026 vom LeapLab-Team der Tsinghua-Universität veröffentlicht. Seine Kernmerkmale und Innovationen sind: eine minimalistische Reinforcement-Learning-Methode, die das Diffusion Language Model (DLM) während des Trainings als Standard-Autoregressionsmodell behandelt und direkt Group Relative Policy Optimization (GRPO) anwendet. Es erzielt eine herausragende Inferenzleistung (GSM8K 89.1%) ohne Trajektorienapproximation, Schätzung der marginalen Wahrscheinlichkeit oder diffusionsspezifische Anpassung. 

Online ausführen:https://go.hyper.ai/c1a0C

2. Vorhersage der koronaren Herzkrankheit: Basierend auf dem Framingham-Datensatz

Framingham ist ein Datensatz für die Herzforschung, der im September 1948 vom National Heart, Lung, and Blood Institute veröffentlicht wurde. Es wurden mehrere Modelle des maschinellen Lernens entwickelt, um das individuelle Risiko, innerhalb der nächsten zehn Jahre an koronarer Herzkrankheit (KHK) zu erkranken, vorherzusagen. Das Projekt umfasste alle wichtigen Schritte, darunter Datenbereinigung, explorative Datenanalyse, Merkmalsentwicklung, Umgang mit Klassenungleichgewichten, Hyperparameter-Optimierung und Ensemble-Lernen.

Online ausführen:https://go.hyper.ai/tMRDG

3. Einführung in genetische Algorithmen: Globale Optimierungsalgorithmen basierend auf natürlicher Selektion

Der Genetische Algorithmus (GA) ist ein Optimierungsalgorithmus, der von Darwins Theorie der natürlichen Selektion inspiriert ist. Er simuliert die Mechanismen der Selektion, des Crossovers und der Mutation in der biologischen Evolution, um effizient optimale Lösungen im Suchraum zu finden. Dieses Tutorial führt auf leicht verständliche Weise in die Kernkonzepte genetischer Algorithmen ein und demonstriert den vollständigen GA-Prozess Schritt für Schritt anhand der Optimierung der Sphärenfunktion.

Online ausführen:https://go.hyper.ai/Bm7Pr

4. Higgs Audio v3 TTS: Konversationelles mehrsprachiges Sprachsynthesemodell

Higgs Audio v3 TTS, im Juni 2026 von Boson AI veröffentlicht, ist ein dialogbasiertes Text-to-Speech-Modell für Sprachassistenten. Basierend auf einem autoregressiven Decoder mit ca. 4 Milliarden Parametern kodiert es Sprache mithilfe des Higgs Tokenizers mit 25 Bildern pro Sekunde in acht Codebücher diskreter Audio-Token und rekonstruiert die Wellenform mit einer Abtastrate von 24 kHz. Das Modell unterstützt die Zero-Shot-Synthese von über 100 Sprachen, kann direkt Zero-Shot-Soundklonierung durchführen und ermöglicht die präzise Steuerung von Emotionen, Stil, Prosodie, Pausen und Soundeffekten durch Inline-Steuerungs-Tags.

Online ausführen:https://go.hyper.ai/Sj9mk

5. Feinabstimmung von GPT mit nanoGPT auf dem Shakespeare-Datensatz.

nanoGPT Shakespeare ist ein Framework zur Generierung von Texten im Shakespeare-Stil, das auf dem von Andrej Karpathy im Januar 2023 veröffentlichten nanoGPT-Projekt basiert. Es verwendet GPT-2 (124M), das von OpenAI im Februar 2019 veröffentlicht wurde, als Vortrainingsbasis und führt eine Transformer-Feinabstimmungsstrategie ein, die schnell auf GPUs der Consumer-Klasse trainiert werden kann, um Texte im Shakespeare-Stil zu generieren.

Online ausführen:https://go.hyper.ai/iqcyS

6. Segmentierung-3.0: „Powerset“-Segmentierungsmodell für mehrere Sprecher

Segmentation-3.0, veröffentlicht vom Pyannote-Team im September 2023, ist ein ressourcenschonendes, leistungsstarkes Modell zur Sprechersegmentierung, das mit pyannote.audio 3.0.0 trainiert wurde und primär für die Analyse von Sprachsequenzen auf Frame-Ebene eingesetzt wird. Das Modell verarbeitet eine 10 Sekunden lange Mono-Audiodatei mit 16 kHz als Eingabe und gibt eine Mehrsprecher-Klassifizierungsmatrix aus. Basierend auf der PyanNet-Architektur besteht es aus SincNet-, LSTM- und linearen Schichten und umfasst ca. 1,47 Millionen Parameter.

Online ausführen:https://go.hyper.ai/rXNuo

7. Qwythos-9B-Claude-Mythos-5-1M GGUF Inference Deployment

Qwythos-9B-Claude-Mythos-5-1M ist ein auf Schlussfolgerungen basierendes, großes Sprachmodell, das von Empero im Juni 2026 entwickelt und mit allen Parametern auf Qwythos3.5-9B trainiert wurde. Dieses Modell zeichnet sich durch verbesserte Schlussfolgerungsfähigkeiten aus und erzielt im Vergleich zum ursprünglichen Qwythos3.5-9B eine Verbesserung von 34 Punkten im MMLU-Wert und 30 Punkten im gsm8k-strict-Wert. Es unterstützt native Funktionsaufrufe gemäß dem in Qwythos3.5 spezifizierten Tool-Call-Format; YaRN Rope-Scaling ist standardmäßig aktiviert und unterstützt 1 Million ultralange Kontexte; und es übernimmt die multimodalen Bildverarbeitungsfunktionen von Qwythos3.5-9B. Das Modell unterliegt keinen Zensurbeschränkungen und kann spezielle technische Probleme wie Cybersicherheit und Biomedizin bewältigen.

Online ausführen:https://go.hyper.ai/dxqRP

8. Jigsaw-Klassifizierung unbeabsichtigter Bias-Toxizität – Tutorial zur explorativen Datenanalyse (EDA)

2018 veranstalteten Kaggle und Jigsaw einen Wettbewerb zur Klassifizierung toxischer Kommentare. Aufgrund unausgewogener Trainingsdaten entwickelte das Modell jedoch unbeabsichtigte Verzerrungen und ordnete Identitätsbezeichnungen wie „schwul“ fälschlicherweise toxischen Kommentaren zu, wodurch neutrale Kommentare als toxisch eingestuft wurden. Um dieses Problem zu beheben, startete das Team einen neuen Wettbewerb mit dem Ziel, Vorurteile gegenüber bestimmten Identitätsgruppen abzubauen.

Online ausführen:https://go.hyper.ai/LnJ2r

9. Qwen-AgentWorld-35B-A3B: Das erste Sprachweltmodell, das sieben wichtige Interaktionsdomänen von Agenten abdeckt.

Qwen-AgentWorld-35B-A3B ist ein von Alibabas Qwen-Team im Juni 2026 veröffentlichtes Sprachweltmodell. Es handelt sich nicht um ein herkömmliches, groß angelegtes Konversationssprachmodell. Basierend auf Qwen3.5-35B-A3B-Base verwendet es die Aktionen und die Interaktionshistorie des Agenten als Eingabe und sagt den nächsten Umgebungszustand durch Long-Chain-Inferenz voraus. Dadurch simuliert es die Interaktionsumgebung des Agenten, beispielsweise Terminals, Suchvorgänge und Werkzeugaufrufe.

Online ausführen:https://go.hyper.ai/PbwGD

Interpretation von Gemeinschaftsartikeln

1. OpenAI veröffentlicht GeneBench-Pro, das die Forschungskompetenzen im Bereich KI anhand von 129 Fragen und 10 Domänen bewertet.

Das OpenAI-Forschungsteam hat kürzlich eine aktualisierte Version von GeneBench, GeneBench-Pro, vorgestellt, die ein breiteres Spektrum an Industrie- und Forschungsbereichen abdeckt. Sie ist nicht mehr auf die Genomik beschränkt, sondern erstreckt sich auch auf Szenarien, die mehrstufige statistische Inferenz erfordern, wie beispielsweise Molekular- und quantitative Biologie, Pharmakogenomik, Krebsbiologie, mikrobielle Genomik und klinische Translation.

Den vollständigen Bericht ansehen:https://go.hyper.ai/yS7Cv

Beliebte Enzyklopädieartikel

1. Weltaktionsmodell (WAM)

2. Glitch-Token

3. Harmonisches Mittel

4. Schattenmodus-Test

5. Bayes'sche Modellmittelung

Hier sind Hunderte von KI-bezogenen Begriffen zusammengestellt, die Ihnen helfen sollen, „künstliche Intelligenz“ zu verstehen:

https://go.hyper.ai/wiki

Das Obige ist der gesamte Inhalt der Auswahl des Herausgebers dieser Woche. Wenn Sie über Ressourcen verfügen, die Sie auf der offiziellen Website von hyper.ai veröffentlichen möchten, können Sie uns auch gerne eine Nachricht hinterlassen oder einen Artikel einreichen!

Bis nächste Woche!

Über HyperAI

HyperAI (hyper.ai) ist eine führende Community für künstliche Intelligenz und Hochleistungsrechnen in China.Wir haben uns zum Ziel gesetzt, die Infrastruktur im Bereich der Datenwissenschaft in China zu werden und inländischen Entwicklern umfangreiche und qualitativ hochwertige öffentliche Ressourcen bereitzustellen. Bisher haben wir:

* Bietet inländische beschleunigte Download-Knoten für mehr als 2100 öffentliche Datensätze

* Enthält über 700 klassische und beliebte Online-Tutorials

* Analyse von über 300 AI4Science-Fallstudien

* Unterstützt die Suche nach über 700 verwandten Begriffen

* Hosting der ersten vollständigen chinesischen Apache TVM-Dokumentation in China

Besuchen Sie die offizielle Website, um Ihre Lernreise zu beginnen:

https://hyper.ai